# 我们生活中常见的人工智能
扫地机器人、指纹门锁、自动感应灯、人体传感器、智能音箱
# 人工智能 Artificial Intelligence: AI
人工智从1955年走上人类历史舞台，是让机器具备像人一样的学习能力，具备人的思维和意识，的高(qi)端(yin)技(ji)术(qiao)。
# 维基百科：
人工智能是研发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。由于这个定义只阐述了目标，而没有限定方法，因此实现人工智能存在的诸多方法和分支，导致其变成一个“大杂烩”式的学科
# 人工智能有三个学派
- 行为主义：基于控制论，构建感知-动作控制系统。（比如波士顿机器人，平衡、行走、避障等自适应控制系统）
- 符号主义：基于算数逻辑表达式，求解问题时先把问题描述为表达式，再求解表达式。（可用公式描述、实现理性思维，比如专家系统）
- 连接主义：仿生学，模仿神经元连接关系（仿脑神经元连接，实现感性思维，如神经网络）人脑由860亿个神经元，首尾相接组成的网络。仿神经网络可以让计算机具备感性思维
基于连接主义的神经网络设计过程：
当今人工智能主流方向---链接主义
# 机器学习 MachineLearning：ML
区别于人工智能，机器学习、尤其是监督学习则有更加明确的指代。机器学习是专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。 机器学习的实现可以分成两步：训练和预测，类似于我们熟悉的归纳和演绎
# 深度学习 DeepLearning：DL
深度学习（英语：deep learning） 是机器学习的分支，是一种以人工神经网络为架构，对资料进行表征学习的算法。
人工智能、机器学习和深度学习覆盖的技术范畴是逐层递减的。人工智能是最宽泛的概念。机器学习是当前比较有效的一种实现人工智能的方式。深度学习是机器学习算法中最热门的一个分支，近些年取得了显著的进展，并替代了大多数传统机器学习算法。
# 张量：Tensor
维基百科： 张量处理单元（英文：Tensor Processing Unit，简称：TPU），也称张量处理器，是 Google 开发的专用集成电路（ASIC），专门用于加速机器学习。[1]自 2015 年起，谷歌就已经开始在内部使用 TPU，并于 2018 年将 TPU 提供给第三方使用，既将部分 TPU 作为其云基础架构的一部分，也将部分小型版本的 TPU 用于销售。
咱们从数据结构上来看张量是个啥玩意：
- 多维数组（列表） 阶：张量的维数：
| 维数 | 阶 | 名字 | 🌰子 |
|---|---|---|---|
| 0-D | 0 | 标量 scalar | s=1 2 3 |
| 1-D | 1 | 矢量 vector | v=[1, 2, 3] |
| 2-D | 2 | 矩阵 matrix | m=[[1, 2, 3] , [4, 5, 6], [7, 8, 9]] |
| n-D | n | 张量 tensor | t=[[[ n个 |
张量是现代机器学习的基础。它的核心是一个数据容器，多数情况下，它包含数字，有时候它也包含字符串，但这种情况比较少。因此把它想象成一个数字的水桶。
0维张量/标量 ,装在张量/容器水桶中的每个数字称为“标量”。标量是一个数字。
1维张量/向量 ：类似于1维张量：数组。
2维张量/矩阵：可以想想我们平时用的excel表格，有行和列的数字网格。这个行和列表示两个坐标轴，一个矩阵是二维张量，意思是有两维，也就是有两个坐标轴的张量。
3维张量: 一系列的二维张量存储在水桶中，这就形成了3维张量。3维张量可想象成为一个立方体，有长宽高。
4维：图像
5维：视频
# TensorFlow：
维基百科：
TensorFlow是一个开源软件库，用于各种感知和语言理解任务的机器学习。[4]目前被50个团队[4]:min 0:15/2:17用于研究和生产许多Google商业产品[5]:p.2，如语音识别、Gmail、Google 相册和搜索[4]:0:26/2:17，其中许多产品曾使用过其前任软件DistBelief。
TensorFlow最初由谷歌大脑团队开发，用于Google的研究和生产，于2015年11月9日在Apache 2.0开源许可证下发布。[1][6]
# TensorFlow.js 是一个用于使用 JavaScript 进行机器学习开发的库
使用 JavaScript 开发机器学习模型，并直接在浏览器或 Node.js 中使用机器学习模型
# paddlepaddle：百度的飞桨（深度学习框架）
# 简单了解一下模型是什么：
通过当前数据集得到一个复杂的多维函数 ，简单理解起来就是，模型就是算法。
# 简单了解一下模型训练：
**主要步骤：**确定模型--->训练模型--->使用模型
神经网模型：
- 前向传播：x--->y 求得损失值
- 损失函数：计算出损失值
- 反向传播更新参数：回传误差
- 梯度算法：使误差下降
- 学习率：学习率能够使目标函数在合适的时间内收敛到局部最小值。
有监督学习、无督管学习、强化学习：
有：有标签、直接反馈、可预测未来结果 eg:学认字
无：无标签、无反馈、寻找隐藏的结构 eg: 自动聚类
强：决策流程、激励系统、学习一系列的行动（给定数据，学习如何选择一系列行动，以最大化长期收益。）
- eg:阿尔法狗下围棋
# 开发环境：
常用开发语言：Python、javascript、
开发工具：pycharm、anaconda
用tensorFlowjs实现的小demo 1-10 数字识别